Domain-specific recommendation based on deep understanding of text

Abstract

This thesis considers the process of development for a domain-specific recommender system that uses the domain of cocktail recipes for experiments. Based on ontology a deep understanding of text is created — recipes are considered. The ontology is designed by basic categories to extract features such as ingredients. Ingredients are modeled by flavors for comparability. The process of data processing along with the recommendation uses the KDD process as its guidelines. The key of the recommendation is based on domain-specific distance functions. A nearest-neighbor approach is used to classify recommendations for a given favorite. Validation is considered based on the acceptability of domain experts.

Diese Masterarbeit betrachtet den Prozess zur Entwicklung domain-spezifischer Empfehlungssysteme am Beispiel der Domäne Cocktailrezepte. Auf Basis einer Ontologie wird ein Tiefenverständnis der Texte — der Rezepte — erzeugt. Die Ontologie ist modelliert mit Basiskategorien, die dazu dienen Markmale wie Zutaten aus dem Rezept zu extrahieren. Für eine Vergleichbarkeit der Rezepte werden Zutaten auf Basis von Aromen modelliert. Für den Prozess der Datenaufbereitung bis hin zur Empfehlung wird KDD als Leitlinie verwendet. Die Empfehlung anhand einer domänen-spezifischen Distanzfunktion wird berechnet. Zur Klassifikation einer Empfehlung zu einem gegebenen Favoriten wird ein k-nearest neighbor verwendet. Die Validierung erfolgt durch eine Befragung von Domännenexperten hinsichtlich der Akzeptabilität der Empfehlungen.